近日,全球安全頂級會議ACM CCS以及頂刊IEEE TDSC發布獲選論文名單,螞蟻數科的兩項隱私計算創新技術成果入選,標志著螞蟻數科在隱私保護人工智能(Privacy-Preserving AI)技術領域的持續領先。這兩項研究聚焦當前跨機構聯合建模中應用最廣泛的梯度提升決策樹(GBDT)模型,通過創新的隱私保護算法,解決了聯合建模和聯合推理中如何在保障數據隱私前提下實現高性能計算的技術難題。
這兩研究成果分別是被ACM CCS2025收錄的《Gibbon: Faster Secure Two-party Training of Gradient Boosting Decision Tree》(長臂猿:更快的2方安全GBDT訓練框架)與被IEEE TDSC錄用的《Privacy-preserving Decision Graph Inference from Homomorphic Lookup Table》(基于同態查找表的隱私保護決策圖推理)
GBDT類模型(包括XGBoost、LightGBM等)是一種基于梯度提升的決策樹算法,可解釋性強,預測速度快,廣泛應用于營銷、風控等場景,是跨機構聯合建模中最流行最常用的算法。然而,在多方協作訓練與推理過程中,如何在保障數據隱私的前提下實現高性能計算,長期面臨“安全強則效率低,效率高則隱患多”的兩難困境。
當前業界多采用聯邦學習(FL)路線,雖性能較高,但存在潛在的信息泄露風險。例如,隱私計算聯盟于2024年發布的《隱私計算產品通用安全分級白皮書》中就分析、披露了業內最流行的FL方案SecureBoost的信息泄露風險。
螞蟻數科則另辟蹊徑,選擇安全等級更高但性能挑戰更大的多方安全計算(MPC)技術路線,通過GBDT算法與先進密碼學的深度協同設計,實現了安全與效率的雙重突破:
· 在訓練方面:提出新型安全兩方GBDT訓練框架Gibbon,相比當前最先進的MPC方案“Squirrel”(USENIX Security 2023),可將訓練速度提升2~4倍,性能甚至優于聯邦學習路線SecureBoost的開源實現。
· 在推理方面:創新性地提出同態查找表技術,實現隱私保護決策圖推理,支持GBDT、決策樹、評分卡等模型。其中,GBDT和決策樹的推理效率提升2~3個數量級。
目前,上述研究成果已應用于螞蟻數科隱私計算系列產品中,全面支持跨機構間高安全、高性能、可落地的數據協作。
特別聲明:以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布,本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.